本研究提供了一种新的数据集，旨在进行相机不变色彩恒定性研究，其中包含用于训练色彩恒定性算法的多个实验室和场景图像，以及相机和光源的光谱响应数据。此外，还提出了针对可监督方法的指导方针，并以卷积神经网络为基线评估了该数据集。

Mar, 2017

本文针对 ColorChecker 数据集中不同的 ground-truth 数据集，重新生成了一个基于 Shi 和 Funt 描述的推荐 ground-truth，对多种光源估计算法进行了性能评估并发现了许多本地算法排名的差别。此外，我们还提供了一个开放式的数据存储库，希望 ColorChecker 数据集能够再次成为估计光源算法的一个有用基准。

May, 2018

本文提出了一个基于物理的多光源颜色恒常性方法，利用 GAN 将照明估计问题建模为图像到图像域转换问题，并提出了一种新型的多照明数据增强方法，实验证明该方法优于现有工作。

Sep, 2021

该研究提出了一种基于贝叶斯框架的多假设策略来解决色彩恒常性问题，通过数据驱动的方式选择多个候选场景光源，并利用相机视觉无关的卷积神经网络对更正的图像进行似然估计，最后从后验概率分布中学习一个最终的光照估计，该方法在多个公共数据集上实现了最先进的准确性。

Feb, 2020

本研究介绍了一个包含超过 1000 个真实场景的多光照数据集，每个场景都在 25 种不同的光照条件下进行了捕获。作者使用此数据集训练了针对三个应用的最新模型：单张图像光照估计、图像重新照明和混合光源白平衡。

Oct, 2019

本文提出了一种基于无监督学习的方法，该方法在对训练图像的未知真实光照进行近似后学习其参数值，进而避免了校准，同时还提出了方法的扩展，可以从使用一种传感器拍摄的非校准图像中学习所需参数并成功地应用到使用另一种传感器拍摄的图像上，从而实现了相机间无人监督学习颜色恒定性。同时，还创建了一个新的高质量的颜色恒定性基准数据集，并进行了测试和公开。

Dec, 2017

本文采用深度学习框架来解决计算机颜色恒常性问题，使用卷积神经网络将颜色恒常性问题视为照明分类问题，设计深度学习架构以直接用于计算照明颜色，实验结果表明我们的深度网络能够提取有用特征用于照明估计，且在多个测试数据集上性能优于所有先前的颜色恒常方法。

Aug, 2016

提出了第一个 LUCES 数据集，包括 52 个 LED 灯，对 14 个物体进行了近距离照明，并用于评估最新的近场物体光度立体算法的性能，以评估最新的近场光度立体算法在实际物体材料的近距离效果方面的表现。

Apr, 2021

我们提出了一种轻量级的解决方案，用于从单个 RGB 图像估计室内灯光的空间一致性。我们引入了一个统一的、基于体素八叉树的光照估计框架，以生成 3D 空间一致的照明。此外，我们提出了一个可微的体素八叉树锥追踪渲染层，用于消除整个过程中的常规体积表示，并确保在不同频域之间保持特征。实验结果表明，与先前的方法相比，我们的方法在极小的成本下实现了高质量的一致估计。

Apr, 2024

本文提出了一种基于加权乘累积损失函数的级联卷积色彩恒常性算法 (C4)，可以改善回归学习的鲁棒性，并在独特的框架下实现数据集 (不同相机和场景) 的稳定泛化能力。与最先进的方法相比，实验结果表明，该算法在公共 Color Checker 和 NUS 8-Camera 基准测试中表现出卓越的性能，特别是对于较难的场景。

Dec, 2019